Python中使用unidecode去重音时如何保留ç字符？

问题描述 #

使用unidecode库去除字符串重音时，该库会将所有带重音的字符转为无重音形式，包括ç会被转为c：

import unidecode

print(unidecode.unidecode('ááíãôç'))

输出结果：

aaioac

但需求是保留ç，期望得到：

aaiaoç

无需硬编码的解决方案 #

方法1：基于Unicode规范化与字符属性处理 #

利用Python内置的unicodedata模块，通过Unicode规范化（NFD分解）识别并保留带软音符（CEDILLA）的字符组合，其他重音标记则移除：

import unicodedata

def remove_accents_preserve_cedilla(input_str):
    # 将字符串分解为基础字符+组合标记的形式（NFD）
    normalized = unicodedata.normalize('NFD', input_str)
    output = []
    for char in normalized:
        # 组合标记（Mn类别）通常是重音符号
        if unicodedata.category(char) == 'Mn':
            # 仅保留与'c'搭配的软音符（U+0327）
            if output and output[-1] == 'c' and char == '\u0327':
                output.append(char)
            continue
        output.append(char)
    # 将分解后的字符重新组合为标准形式（NFC），恢复ç
    return unicodedata.normalize('NFC', ''.join(output))

# 测试
print(remove_accents_preserve_cedilla('ááíãôç'))  # 输出: aaiaoç

这种方法没有硬编码具体字符，而是基于Unicode字符的类别和属性判断，同时支持保留大写形式的Ç。

方法2：结合unidecode与Unicode属性校验 #

如果仍想使用unidecode库，可通过Unicode字符名称判断是否为带软音符的字符，将其从处理结果中还原：

import unidecode
import unicodedata

def remove_accents_with_unidecode_preserve_cedilla(input_str):
    processed = unidecode.unidecode(input_str)
    result = list(processed)
    for idx, char in enumerate(input_str):
        # 通过Unicode名称识别带软音符的字符
        if 'CEDILLA' in unicodedata.name(char, ''):
            result[idx] = char
    return ''.join(result)

# 测试
print(remove_accents_with_unidecode_preserve_cedilla('ááíãôç'))  # 输出: aaiaoç

该方法通过字符的Unicode元数据判断，无需硬编码具体字符值，扩展性更强。

内容的提问来源于stack exchange，提问作者Vitor Boldrin